Guías Académicas

BIG DATA GEOESPACIAL

BIG DATA GEOESPACIAL

GRADO EN INGENIERIA EN GEOINFORMACIÓN Y GEOMÁTICA

Curso 2021/2022

1. Datos de la asignatura

(Fecha última modificación: 10-05-21 12:18)
Código
109132
Plan
ECTS
3.00
Carácter
OPTATIVA
Curso
4
Periodicidad
Segundo Semestre
Área
-
Departamento
-
Plataforma Virtual

Campus Virtual de la Universidad de Salamanca

Datos del profesorado

Profesor/Profesora
Ana María Martín Casado
Grupo/s
sin nombre
Centro
E. Politécnica Superior de Ávila
Departamento
Estadística
Área
Estadística e Investigación Operativa
Despacho
109
Horario de tutorías
-
URL Web
-
E-mail
ammc@usal.es
Teléfono
920 353500 Ext 3754

2. Sentido de la materia en el plan de estudios

Bloque formativo al que pertenece la materia.

Asignatura optativa del itinerario Geoinformática

Papel de la asignatura.

Proporcionar conocimientos sobre las técnicas de análisis multivariantes usadas en el tratamiento de Big Data y su aplicación en el ámbito geoespacial.

Perfil profesional.

Dado su ámbito de aplicación, esta materia es fundamental en cualquier perfil profesional vinculado a la Geoinformática.

3. Recomendaciones previas

Es recomendable que el alumno posea conocimientos previos de QGIS, programación con Python (o solicitar material de introducción al profesorado).

4. Objetivo de la asignatura

  • Conocer las características de los datos masivos, las tecnologías relacionadas con estos y las aplicaciones más importantes.
  • Conocer las herramientas y técnicas específicas que permiten analizar big data.
  • Conocer las técnicas y métodos para el análisis de datos que incorporan información espacial.

5. Contenidos

Teoría.

Bloque 1. Introducción

Definición y características de Big Data.

Tecnologías relacionadas con Big Data: procesamiento en la nube (Cloud Computing), internet de las cosas (IoT), centro de proceso de datos (data center), Hadoop.

Etapas en los procesos de Big Data.

Algunas aplicaciones.

 

Bloque 2. Herramientas, métodos y técnicas para el análisis de Big Data

Técnicas de reducción de datos: análisis de componentes principales clásico y técnicas alternativas (sparse PCA, disjoint PCA).

Técnicas de predicción y clasificación: regresión lineal y no lineal, regresión logística, análisis discriminante.

Técnicas de minería de datos: clustering, reglas de asociación, clasificación bayesiana, árboles de decisión, aprendizaje automático, máquinas de vectores de soporte, redes neuronales, lógica borrosa.

 

Bloque 3. Técnicas de análisis de datos que incorporan información espacial

Análisis de componentes principales ponderados geográficamente (GWPCA).

Regresión geográficamente ponderada (GWR).

Estadística espacial: particularidades de los datos espaciales, áreas de la estadística espacial.

Sistemas de Información Geográfica.  Big data en SIG.

Práctica.

PRÁCTICAS DE ORDENADOR

Práctica 1. Internet de las Cosas: análisis de datos de monitorización ambiental (Things Speak).

Práctica 2. Cloud Computing: QGIS Cloud.

Práctica 3. Bases de Datos geoespaciales: PostgreSQL.

Práctica 4. Técnicas de reducción de dimensionalidad para clasificación de imagen. PCA.

Práctica 5. Análisis estadístico en QGIS con R: correlación y regresión.

Práctica 6. Análisis estadístico en QGIS con R: interpolación espacial.

Práctica 7. Procesamiento de Big Data en Sistemas de Información Espacial. Ejemplo de LíDAR.

6. Competencias a adquirir

Básicas / Generales.

CB1 - Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio.

CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.

CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.

CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.

CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.

CG7 - Poseer conocimientos de nuevas tecnologías en el campo de la Geoinformación y de la Geomática.

CG8 - Ser capaces de aplicar, integrar y comunicar dichos conocimientos en el ámbito de proyectos de Geoinformación y Geomática.

7. Metodologías

1. Sesión magistral para exponer los contenidos de la asignatura.

2. Prácticas en el aula, para formular y resolver las cuestiones y problemas planteados.

3. Prácticas en aula de informática, en las que se resolverán diversos ejercicios prácticos.

4. Tutorías para consulta y seguimiento del alumno.

5. Resolución de cuestionarios por parte del alumno.

6. Pruebas de evaluación.

8. Previsión de Técnicas (Estrategias) Docentes

9. Recursos

Libros de consulta para el alumno.

FOTHERINGHAM S, ROGERSON P. Spatial Analysis and GIS. Taylor & Francis 1994.

GARCÍA J, MOLINA JM, BERLANDA A, PATRICIO MA, BUSTAMANTE AL, PADILLA WR. Ciencia de Datos. Técnicas analíticas y aprendizaje estadístico en un enfoque práctico. Altaria, 2018.

MATEOS-APARICIO MORALES G, HERNÁNDEZ ESTRADA A. Análisis multivariante de datos. Cómo buscar patrones de comportamiento en big data. Pirámide, 2021.

RÍOS INSÚA D, GÓMEZ-ULLATE OTEIZA D. Big data. Conceptos, tecnologías y aplicaciones. CSIC, 2019.

Otras referencias bibliográficas, electrónicas o cualquier otro tipo de recurso.

Material preparado por las profesoras y disponible en https://studium.usal.es

BRUNSDON C, FOTHERINGHAM S, CHARLTON M (1998). Geographically weighted regression -modelling spatial non-stationarity. The Statistician, 47, 431-443.

HARRIS P, BRUNSDON C,CHARLTON M (2011). Geographically weighted principal components análisis. International Journal of Geographical Information Science, 25, 1717-1736.

JUANES NOTARIO P. La Geografía y la Estadística. Dos necesidades para entender Big Data. https://gredos.usal.es/handle/10366/125197

OLAYA V. Sistemas de Información Geográfica: https://volaya.github.io/libro-sig/

HENGL T (2009). A practical guide to Geostatistical Mapping: http://spatial-analyst.net/book/system/files/Hengl_2009_GEOSTATe2c1w.pdf

MAS J-F (2018). Análisis Espacial con R: Usa R como un Sistema de Información Geográfica: http://eujournal.org/files/journals/1/books/JeanFrancoisMas.pdf

10. Evaluación

Consideraciones generales.

La evaluación se llevará a cabo teniendo en cuenta:

-Las tareas desarrolladas por el alumno a lo largo del curso: cuestionarios, prácticas propuestas, exposición de trabajos.

-El examen realizado al final del semestre.

Criterios de evaluación.

La calificación obtenida por el alumno en las tareas desarrolladas a lo largo del curso supondrá un 60% de la calificación final. La calificación obtenida en los exámenes supondrá el 40% restante de la calificación.

Instrumentos de evaluación.

Cuestionarios, prácticas, examen

Recomendaciones para la evaluación.

Se recomienda hacer uso de las tutorías, ya que hacen posible un seguimiento y control crítico y eficaz de los objetivos y actividades que se proponen a los alumnos.

También se aconseja la utilización de los libros de consulta para afianzar conocimientos y adquirir una mayor destreza en la materia.

Recomendaciones para la recuperación.

Es recomendable que el alumno acuda a las revisiones de exámenes y de tareas para que pueda mejorar las deficiencias presentadas.